人工智能技术的发展不仅改变了人们的生活方式,也促进了相关领域的发展,特别是对计算机视觉领域的发展起了极大的推动作用,包括处理手段和算法性能等方面。现如今,视觉算法研究内容已经从传统的手工设计转向了基于大数据分析、推理的自适应学习过程。考虑到应用问题的复杂性,所涉及的数据也从早期的低分辨率、简单的二维图像数据转变为大规模的多场景、高分辨率的三维几何数据。如何提升算法的性能成为一个亟待解决的问题。通过模拟人类视觉系统进行的显著性检测是计算机视觉领域的重要研究方向,受到越来越多的关注。显著性检测的目标是将有限的计算资源分配给场景中人们最感兴趣的区域,以实现最有效的资源分配。当获取了显著区域后,后续的分析和识别等任务的重点将放在该区域。这不仅为后续任务的完成提供了有效信息、减少了计算量,而且可以大大提升后续算法的性能。针对不同的数据类型,包括二维图像数据、三维几何数据,本文提出了不同的显著性检测算法。主要工作如下:（1）基于通勤时间距离的图像显著目标检测算法。针对图像显著性检测问题,提出了一种基于通勤时间距离度量区域显著性的方法。通勤时间距离综合考虑节点间的所有可行路径,而非单一路径,是一种鲁棒的度量方式。首先,利用经典的K-means聚类算法筛选出图像边界较为置信的背景种子点,构建背景先验图;其次,利用Harris角点构建包围显著目标的凸包,定位显著目标的粗略位置,并应用背景种子点诱导出凸包内可靠的前景种子点,构建改进凸包先验图。最后,融合两个先验图生成最终的显著图。算法中所应用的区域间特征对比获取两个初始显著图时,均应用了新颖而鲁棒的通勤时间距离。实验结果表明,通勤时间距离能够更准确地度量区域之间的相似性,避免背景噪声带来的影响。（2）基于信息熵的网格显著性检测算法。针对网格显著性检测问题,提出了一种基于信息熵的网格显著性检测方法。该方法主要利用了局部对比机制来度量区域的显著性。首先,计算网格顶点的法向量,选其作为顶点的描述子;其次,基于直方图方法计算每个顶点邻域内法向量的概率分布;最后,计算出每个顶点邻域内法向量熵值,即顶点的显著值。用法向量熵来刻画局部区域的变化程度,如果熵值较大,局部变化较大,法向量比较混乱,则为显著区域;如果熵值较小,局部变化较小,法向量比较有序,则为非显著区域。算法中只需计算法向量熵,因此算法在运行时间上具有一定优势。另外,将该显著性方法应用于网格光滑和网格简化,也取得了较好的实验结果。（3）基于深度学习的形状对应抓取显著性分析。针对三维形状的抓取显著性分析问题,提出了一种以数据增强策略为前置任务的深度学习框架。首先,对于有监督的深度学习方法,其训练数据覆盖域会极大地影响模型训练,而抓取数据的标注又是极其复杂的。因此提出了一个基于语义特征匹配的前置任务,将数据集生成问题转化为一个非刚性形状对应任务。通过三维形状之间的语义对应实现显著性的有效迁移,从而获得一个较大规模的数据集。其次,考虑到三维形状的抓取任务不仅与模型的局部特征有关,而且还与模型的整体结构密切相关。因此将模型的全局特征融合到网络训练中,以增强网络的预测性能。实验表明,通过前置任务的使用,可有效地提升训练数据的多样性与规模性。基于增强的数据集及全局特征的融合来训练网络,可极大地提升训练模型的稳定性与泛化性,适用于多种复杂模型的抓取显著性分析。另外,随着模型噪声尺度增加,网络仍可以预测出合理的抓取显著区域,因此该方法具有一定的抗噪能力。